改進Kmeans和PSO算法的發動機電控系統故障診斷

龔成平

摘要：為更好的識別發動機電控系統故障類別，本文提出一種改進Kmeans和PSO算法。該算法依數據聚類分析問題的要求，以數據點與各群中心的距離為評估標準，將粒子群優化算法和Kmeans算法相結合，用粒子群優化算法的記憶與分享信息的能力來選取群中心，并利用Kmeans來調整群中心的位置，解決粒子群算法的求解效率低和Kmeans易落入區域最佳解的情況。將該方法應用于構建的發動機電控系統故障診斷模型，結果表明能有效提高發動機電控系統故障識別效果。

Abstract： In order to better identify the fault category of the engine electronic control system， this paper proposes an improved Kmeans and PSO algorithm. According to the requirements of the data clustering analysis problem， the algorithm uses the distance between the data point and the center of each group as the evaluation standard， combines the particle swarm optimization algorithm and the Kmeans algorithm， and uses the memory and the ability of sharing information of the particle swarm optimization algorithm to select the group Center， and use Kmeans to adjust the position of the center of the group to solve the problem of low efficiency of particle swarm algorithm and Kmeans easy to fall into the best solution of the region. The method is applied to the constructed fault diagnosis model of the engine electronic control system， and the results show that it can effectively improve the fault identification effect of the engine electronic control system.

關鍵詞：Kmeans;PSO;發動機電控系統;故障診斷

Key words： Kmeans;PSO;engine electronic control system;fault diagnosis

中圖分類號：TH17? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-957X（2021）02-0026-02

0? 引言

隨著智能制造和人工智能技術的不斷發展，更多新的技術應用于傳統汽車制造業。設備故障是影響汽車行業的主要原因，因此進行故障診斷顯得尤為重要。

發動機電控系統是汽車發動機的關鍵組成部分，該系統的運行狀態對整個機組產生關鍵作用，因此對其進行故障特征提取和模式識別具有十分重要的意義[1]。周美蘭[2]利用蟻群算法和BP神經網絡對電控系統的故障做了詳細的診斷研究。李志鵬[3]利用BP神經網絡來識別電控發動機的故障。巴寅亮[4]等提出利用概率神經網絡來識別發動機電控系統的故障。

根據發動機電控系統故障診斷問題的要求，將Kmeans算法和PSO算法相結合，用粒子群優化算法的記憶與分享信息的能力來選取群中心，并利用Kmeans[5]來調整群中心的位置，解決粒子群算法的求解效率低和Kmeans易落入區域最佳解的情況。將該方法應用于構建的發動機電控系統故障診斷模型，結果表明能有效提高發動機電控系統故障識別效果。

1? 改進Kmeans和PSO算法

為解決Kmeans和PSO兩種算法在單獨使用時，表現不佳的情況，特將兩種算法進行結合，得到一種新的算法。

采用Kmeans算法來做聚類時易落于區域最佳解，因此本文提出了采用啟發式算法PSO與Kmeans相結合的算法，來降低出現區域最佳解的概率，使數據聚類問題的處理中，所得數據聚類中組內距離總和最小。此算法是結合Kmeans分群法和PSO算法，在PSO算法流程當中加入了Kmeans分群法的概念，其流程如圖1所示，其中符號說明：i：資料編號;k：群組編號;Pi：第i筆資料;Ck：第k群組之中心點。

算法的一般步驟為：

步驟2：接著隨機產生群組的初始中心點隨機選取K個中心點{C1，C2…CK}。初始中心對于Kmeans分群法有極大的影響，但因結合了PSO算法，可以藉由PSO算法本身的特性避免掉入區域最佳解的情形發生;

步驟3：對所有數據點計算到初始中心點的距離，其距離公式是使用歐幾里得距離d（xi，xj），計算出所有數據點到初始中心點的距離后，指派數據點到距離Ci較小的那一群，最后計算出適合函數;

步驟4：更新個體最佳值和整體最佳值，如公式（1） 和公式（2）;

步驟6：檢查是否滿足終止條件，若滿足，則算法結束;若無，則重復步驟3，直到滿足終止條件為止。

2? 改進K均值-模擬退火算法的軸承振動故障診斷

2.1 發動機電控系統故障診斷模型建立

本文以電控發動機最常見的故障之一——怠速不穩為例，通過對不同的故障原因屬于的故障狀況，利用基于Kmeans的PSO算法對故障模式進行識別。用基于Kmeans的PSO算法對基本故障聚類分析，得到聚類中心{u1，u2，…，uM}。{X1，X2，…，XN}為需要診斷的樣本數據，XN的故障種類可根據公式（7）得到。即判斷需要診斷樣本的與已獲得的中心點的歐式距離，并根據距離的長短對各類故障進行分配。

在獲得訓練樣本的中心點后，將測試樣本加入，再進行測算，并更新聚類中心并完善診斷模型。在診斷階段中，通過不間斷的將測試樣本加入，通過迭代與調參，讓該模型進行循環學習，通過不斷的調整中心來完善診斷模型。

2.2 模型的應用驗證

將上述的診斷模型結合發動機實例。實驗所用數據均為發動機怠速故障中的數據經過歸一化得來的，怠速電控系統常見的故障最為常見的有：氧傳感器故障、空氣流量傳感器故障、進氣壓力傳感器故障。將訓練樣本用來“學習”，實驗樣本用來評判，進行氧傳感器故障、空氣流量傳感器故障、進氣壓力傳感器故障三種故障診斷，全部樣本都獲得z分數歸一化處理。表1為基于改進Kmeans和PSO算法下發動機怠速故障診斷結果，從圖2中可以看出，基于kmeans的PSO算法明顯由于PSO算法。文中數據參考文獻[6]。其中，A為氧傳感器，B為空氣流量傳感器，C為進氣壓力傳感器。

將所得樣本進行聚類測試，得到樣本1-5標號分別與空氣流量傳感器故障、氧傳感器故障、進氣壓力傳感器故障、空氣流量傳感器故障和進氣壓力傳感器故障聚類中心最近。然后進行歸一化重新計算，得到氧傳感器故障的聚類中心為{1.0000，0.8441，0.8837};空氣流量傳感器故障的聚類中心為{0.6574，0.0121，0.2561};進氣壓力傳感器故障的聚類中心為{0.6456，0.4567，0.9963}。改進后的算法得出的故障中心更優與原始算法得出的故障聚類中心。

3? 結論

本文在分析了Kmeans和PSO算法各自優缺點的基礎上，提出一種改進Kmeans和PSO算法。該算法依數據聚類分析問題的要求，以數據點與各群中心的距離為評估標準，將粒子群優化算法和Kmeans算法相結合，用粒子群優化算法的記憶與分享信息的能力來選取群中心，并利用Kmeans來調整群中心的位置，解決粒子群算法的求解效率低和Kmeans易落入區域最佳解的情況。將該方法應用于構建的發動機電控系統故障診斷模型，結果表明能有效提高發動機電控系統故障識別效果。

參考文獻：

[1]張立國，李盼，李梅梅，張淑清，張志福.基于ITD模糊熵和GG聚類的滾動軸承故障診斷[J].儀器儀表學報，2014，11：2624-2632.

[2]周美蘭，敖雪.基于蟻群神經網絡的電控發動機故障診斷研究[J].黑龍江大學自然科學學報，2011（03）：415-420.

[3]李志鵬，邵憲友，張東興，楊傳英.基于BP神經網絡的電控發動機故障診斷研究[J].重慶理工大學學報（自然科學），2015（08）：6-11.

[4]巴寅亮，王書提，謝鑫.基于改進的BP神經網絡的柴油發動機故障診斷[J].工業儀表與自動化裝置，2015（03）：94-97，102.

[5]姚立國，黃海松.改進K均值模擬退火聚類算法的滾動軸承故障診斷[J].組合機床與自動化加工技術，2017（04）：114-117.

[6]王書提.基于人工神經網絡的電控發動機故障診斷研究[D].新疆農業大學，2016.